TimesFM（Time Series Foundation Model）是由 Google Research 开发并开源的预训练时间序列基础模型。该模型借鉴了自然语言处理（NLP）领域大语言模型的成功范式，将时间序列预测转化为类似文本生成的"续写"任务。其核心目标是让开发者无需针对特定业务场景从零训练模型，即可对时间序列数据进行高质量的"开箱即用"预测。
核心技术架构
TimesFM 采用纯解码器（Decoder-only）的 Transformer 架构。在数据处理上，模型将时间序列切分为多个连续的"块"（Patch），并将每个 Patch 映射为 Token 作为输入单元。通过堆叠的因果 Transformer 层（包含自注意力和前馈层），模型能够学习历史数据中的依赖关系，并以自回归的方式生成未来的预测结果。
核心特性
- 零样本预测（Zero-Shot Forecasting）：TimesFM 在包含约 1000 亿个真实世界时间点的海量、多领域数据上进行了预训练，学会了时间序列的"通用模式"（如趋势、季节性、周期等）。因此，它无需针对特定数据集进行微调或重新训练，即可直接对未见过的序列进行预测。
- 超长上下文支持：最新版本支持高达 16K（16,384 个时间点）的上下文长度，能够捕捉多季节性结构、低频成分及状态突变，大幅提升了长序列建模的稳定性。
- 概率与不确定性预测：除了提供精确的点预测外，模型还支持连续分位数预测（Quantile Forecasting），能够输出预测的置信区间，从而有效量化预测的不确定性，为风险评估提供依据。
- 外部协变量支持：通过 XReg 模块，模型能够引入外部协变量（如节假日、促销活动、天气等已知未来事件），从而显著提升预测精度。
版本迭代（以最新 TimesFM 2.5 为例）
TimesFM 2.5 于 2025 年 9 月发布，相比前代版本实现了多项关键升级：
- 参数精简：模型参数量从 500M 缩减至 200M，在降低计算成本与部署门槛的同时，性能反而更强。
- 上下文扩展：上下文窗口从 2048 大幅扩展至 16K，减少了对预处理启发式方法的依赖。
- 接口简化：移除了频率指示器（frequency indicator），简化了用户的配置流程。
应用场景
TimesFM 具备极强的多场景泛化能力，广泛适用于以下领域：
- 零售与电商：商品销量预测、库存优化、网站流量及用户增长预测。
- 金融领域：股票与汇率走势预测、信贷风险评估、流动性风险预测。
- 能源与电力：电力负荷调度、新能源光伏发电预测、能源消耗预测。
- 交通与物流：城市交通流量预测、供应链库存管理。
- 气象与环境：气温与降雨量预测、空气质量（如 PM2.5）预测。
- 工业与运维：服务器负载预测与资源调度、工厂设备故障预警、物联网设备监控。
部署与使用
TimesFM 采用 Apache 2.0 协议开源，允许商业免费使用。开发者可以通过 Python 库（支持 PyTorch 和 Flax 后端）快速安装并加载预训练权重，也可以从 Hugging Face 获取模型。此外，该模型已深度集成至 Google 官方产品中，用户可以直接在 BigQuery ML 中通过 SQL 函数调用其进行预测。